使用色调映射彩色图像建立视觉放射度不确定性模型
提出了一种基于 CIECAM16 感知属性的 TMOz 色调映射算法，利用感知亮度、丰富度和色调的色彩适应方程从 HDR 图像中导出色彩信息并自动进行亮度压缩，实现更优的色彩再现效果。客观和主观评估方法表明，该模型优于现有的 TMO 算法。
Sep, 2023
使用优化的多尺度 Retinex 算法和基于 U-Net 架构的深度学习方法，对 16bpp 的热红外图像进行色调映射算法的研究，以及使用自监督深度学习方法减少噪音并提高热红外视频增强质量，并在公共 FLIR ADAS 数据集上证明了所提出的方法效果优于现有技术。
May, 2023
本文提出了一种新颖的深度学习框架，用于对场景相关的相机内图像处理进行建模，通过多尺度金字塔学习直方图层将全局和局部场景上下文结合到像素特征中，该方法可以精确地建模在自动模式下不同相机的成像管道，并应用于改善图像去模糊的性能。
Jul, 2017
本文提出了一种新颖的逆向色调映射方法，通过基于语义感知的扩散补全方法在遮罩区域中生成丢失的剪切区域的细节，并借鉴传统的 HDR 成像和曝光方法，提出了一种与生成式补全方法兼容的将 SDR 补全区域提升为 HDR 图像的原则式公式。结果表明，我们的方法在客观指标上展现出卓越的性能，并且主观实验表明，所提出的方法在视觉保真度方面与最先进的逆向色调映射算子相匹配（在大多数情况下超越）和超过它们。
May, 2024
介绍了一种利用光度计经过校准的高动态范围全景图数据集的方法，可用于在计算机视觉任务中更准确地估计室内场景中的像素亮度、颜色温度和照明情况。
Apr, 2023
本文提出了一种将图像颜色转换到地形模型中的方法，通过离散不规则颜色的连续规律处理、定量化了颜色的相似性与美学质量，接着将图像至地形颜色转换提出为双目标优化问题，最终证明了这种方法可以更好地实现情感传递。
May, 2022
通过引入不确定性量化技术，提供了一种给图像到图像回归问题提供统计保障的方法，使得能够对每个像素进行不确定性区间估计，并且保证这个估计在给定的置信度下包含了真实值。
Feb, 2022
本研究描述了一种基于对原生 LDR 图像的最佳视觉特征复制目标的新的色调映射方法，通过无关的 HDR 和 LDR 图像数据集的对抗性训练生成具有照片般逼真质量的无伪影图像，并通过不同的图像保真度指数和视觉距离证明其实现的最新性能。
Oct, 2021
该研究探讨了一种基于温度恒定的红外传感器光度校正模型，将其整合至 SfM 框架中用于 3D 重建，实验结果表明光度校正有助于提高相机运动和场景结构的估计，同时与使用 RGB 传感器相比重建质量表现相当。
Apr, 2023
该研究提出了一种新方法来评估光学成像技术，该方法基于可逆神经网络的概念，将多光谱测量映射到全概率分布中以表示解的不确定性，可以帮助优化光学相机设计。
Mar, 2019